王　擎，白　雪，牛　鋒

(1．西南財經(jīng)大學(xué) 中國金融研究中心，四川 成都 611130；2.西南財經(jīng)大學(xué) 金融學(xué)院，四川 成都 611130)

?

我國商業(yè)銀行的系統(tǒng)性風(fēng)險測度及影響因素研究
——基于CCA-POT-Copula方法的分析

王擎1，白雪1，牛鋒2

(1．西南財經(jīng)大學(xué) 中國金融研究中心，四川 成都 611130；2.西南財經(jīng)大學(xué) 金融學(xué)院，四川 成都 611130)

摘要：本文基于CCA方法測度我國商業(yè)銀行的個體風(fēng)險，利用POT-Copula方法考察危機(jī)時期銀行間違約相關(guān)性的變化，并對商業(yè)銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)及其影響因素進(jìn)行實證分析。結(jié)果表明：在當(dāng)前深化金融改革時期，我國商業(yè)銀行的個體風(fēng)險急劇攀升；與國有大型商業(yè)銀行和城市商業(yè)銀行相比，全國性股份制商業(yè)銀行的系統(tǒng)性風(fēng)險溢出效應(yīng)總體較高；各商業(yè)銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)呈現(xiàn)明顯的時變特征；杠桿率高、盈利能力強(qiáng)和業(yè)務(wù)復(fù)雜程度高的商業(yè)銀行具有更高的系統(tǒng)性風(fēng)險貢獻(xiàn)。本研究為監(jiān)管當(dāng)局根據(jù)商業(yè)銀行的系統(tǒng)性風(fēng)險制定逆周期的宏觀審慎監(jiān)管政策提供了有益參考。

關(guān)鍵詞：潛在損失；系統(tǒng)性風(fēng)險；CCA-POT-Copula方法

一、引言

2008年發(fā)端于美國的國際金融危機(jī)暴露了金融監(jiān)管體系對系統(tǒng)性風(fēng)險的監(jiān)管缺失,此后，系統(tǒng)重要性金融機(jī)構(gòu)的識別以及金融體系宏觀審慎監(jiān)管成為國內(nèi)外學(xué)術(shù)領(lǐng)域和監(jiān)管部門關(guān)注的焦點。巴塞爾委員會2012年發(fā)布《國內(nèi)系統(tǒng)重要性銀行綱領(lǐng)》，指出一些金融機(jī)構(gòu)即使全球系統(tǒng)重要性程度并不明顯，仍可能對一國或地區(qū)的金融穩(wěn)定產(chǎn)生重要影響。此后，各國掀起了研究國內(nèi)系統(tǒng)重要性金融機(jī)構(gòu)的浪潮。

長期以來，我國銀行體系在分配資源、投資、風(fēng)險管理等方面起著主導(dǎo)作用，但其內(nèi)在風(fēng)險也在不斷積累。從空間維度看，我國金融機(jī)構(gòu)尤其是商業(yè)銀行的資產(chǎn)交叉性和同質(zhì)性不斷增強(qiáng)，增加了風(fēng)險相互傳染的可能性[1]；從時間維度來看，我國漸進(jìn)式的金融改革導(dǎo)致銀行風(fēng)險過度集中與政府隱性擔(dān)保加劇，增加了系統(tǒng)性風(fēng)險聚集、金融體系崩潰的概率。在當(dāng)前金融自由化和金融改革的大背景下，研究我國銀行體系內(nèi)部的經(jīng)濟(jì)相依關(guān)系、測度各銀行在極端情形下的風(fēng)險溢出效應(yīng)以及潛在損失顯得尤為重要。

國內(nèi)外學(xué)者基于不同的視角提出多種方法測度金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險。其中，網(wǎng)絡(luò)模型法通過金融機(jī)構(gòu)之間的實際業(yè)務(wù)往來數(shù)據(jù)估測其系統(tǒng)性風(fēng)險大小，但信用數(shù)據(jù)的難以獲得使該方法的應(yīng)用受到限制；條件在險價值法(CoVaR)和邊際期望損失法(MES)僅僅利用市場數(shù)據(jù)的單方面信息對金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險進(jìn)行度量，而我國股票市場的有效性不足降低了這類方法的可信度；未定權(quán)益分析法(CCA)同時運用金融機(jī)構(gòu)的債務(wù)、市場收益等多方面信息測度系統(tǒng)性風(fēng)險，卻很少對金融機(jī)構(gòu)之間的違約相關(guān)性加以考慮。

針對以上不足，本文首先，綜合利用商業(yè)銀行的財務(wù)報表數(shù)據(jù)和市場數(shù)據(jù)，采用未定權(quán)益分析法(CCA)量化商業(yè)銀行的個體風(fēng)險；其次，本文利用極值理論(EVT)和Copula函數(shù)，構(gòu)建各商業(yè)銀行與銀行體系中潛在損失序列的尾部聯(lián)合分布，合理刻畫潛在損失序列的“厚尾”特征和非線性、非對稱的尾部相依結(jié)構(gòu)；在此基礎(chǔ)上，我們采用滾動固定窗口的方法考察了商業(yè)銀行系統(tǒng)性風(fēng)險貢獻(xiàn)的動態(tài)變化趨勢。

本文結(jié)構(gòu)安排如下：第二部分通過現(xiàn)有文獻(xiàn)提出本文的研究思路；第三部分為研究設(shè)計；第四部分基于我國上市商業(yè)銀行數(shù)據(jù)進(jìn)行實證分析；第五部分是文章的結(jié)論及啟示。

二、文獻(xiàn)回顧

為了實施有效的宏觀審慎監(jiān)管，完善系統(tǒng)性風(fēng)險監(jiān)測預(yù)警和評估處置機(jī)制，各國學(xué)者從理論和實證方面對系統(tǒng)性風(fēng)險做了大量研究。總體來看，分析金融機(jī)構(gòu)間的相互關(guān)聯(lián)以及對金融機(jī)構(gòu)系統(tǒng)性風(fēng)險進(jìn)行測度的方法可大體分為兩類，即結(jié)構(gòu)化方法和簡約化方法。

結(jié)構(gòu)化方法主要通過各金融機(jī)構(gòu)在風(fēng)險頭寸等方面的關(guān)聯(lián)數(shù)據(jù)，研究系統(tǒng)性風(fēng)險的傳播路徑及影響程度，其中以網(wǎng)絡(luò)模型法最為典型。賈彥東，基于我國銀行間支付結(jié)算數(shù)據(jù)構(gòu)建金融網(wǎng)絡(luò)模型，通過“直接貢獻(xiàn)”和“間接參與”兩種方式對商業(yè)銀行的風(fēng)險擴(kuò)散機(jī)制進(jìn)行分析，并對其系統(tǒng)重要性程度進(jìn)行測評[2]；隋聰，等構(gòu)建了完整的測度銀行系統(tǒng)性風(fēng)險和銀行間違約傳染的研究框架，并在此基礎(chǔ)上研究了不同網(wǎng)絡(luò)結(jié)構(gòu)下的銀行系統(tǒng)性風(fēng)險[3]。網(wǎng)絡(luò)模型法將系統(tǒng)性風(fēng)險的傳染與銀行的實際交易相關(guān)聯(lián)，使得傳染路徑有跡可尋，但該方法通常只能考察銀行間實際業(yè)務(wù)往來的風(fēng)險傳染路徑，而事實上銀行間的風(fēng)險傳染存在廣泛的間接渠道。

簡約化方法不追究各金融機(jī)構(gòu)之間的相互關(guān)聯(lián)如何形成，而試圖基于財務(wù)報表數(shù)據(jù)或股價等市場數(shù)據(jù)直接測度系統(tǒng)性金融風(fēng)險。該研究方法可大致分為三種：綜合指數(shù)法、市場法和未定權(quán)益分析法。

綜合指數(shù)法在衡量系統(tǒng)性風(fēng)險時，首先選取影響系統(tǒng)性風(fēng)險的子指標(biāo)構(gòu)建衡量指標(biāo)體系，然后利用統(tǒng)計方法將各指標(biāo)進(jìn)行綜合，利用綜合指數(shù)的大小反映系統(tǒng)性風(fēng)險狀況。Hakkio和Keeton基于美國數(shù)據(jù)構(gòu)建了測度金融系統(tǒng)性風(fēng)險的指標(biāo)體系KCFSI，并驗證了該指標(biāo)體系可以有效印證已發(fā)生的金融危機(jī)[4]。劉春航等從宏觀經(jīng)濟(jì)沖擊、銀行自身經(jīng)營脆弱性以及傳染等角度構(gòu)建了我國銀行業(yè)系統(tǒng)性風(fēng)險的度量框架[5]。綜合指數(shù)法雖然具有簡單明了、可操作性強(qiáng)的優(yōu)點，但指標(biāo)選取的主觀性和任意性較強(qiáng)，且無法度量金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險貢獻(xiàn)。

市場法通過股價等市場數(shù)據(jù)考察金融機(jī)構(gòu)之間的風(fēng)險相關(guān)性，進(jìn)而基于不同視角對系統(tǒng)性風(fēng)險進(jìn)行度量[6]。其中，條件在險價值法(CoVaR)，是指單個金融機(jī)構(gòu)處于困境時對其他金融機(jī)構(gòu)或金融市場尾部風(fēng)險的影響，現(xiàn)有研究大多采用△CoVaR測度金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險貢獻(xiàn)。高國華和潘英麗，基于GARCH模型計算商業(yè)銀行的動態(tài)CoVaR，并認(rèn)為該方法能夠比傳統(tǒng)的分位數(shù)回歸更有效地度量銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)[7]。汪東華、陳守東，等將極值理論(EVT)、Copula理論引入到系統(tǒng)性金融風(fēng)險的度量中[8-9]。系統(tǒng)性期望損失(SES)和邊際期望損失(MES)方法考察了門限值以外的所有信息而非單一分位點的期望損失。范小云，等采用SES和MES的方法測度了在美國次貸危機(jī)時期，我國金融機(jī)構(gòu)對金融系統(tǒng)的邊際風(fēng)險貢獻(xiàn)程度[10]；方意，等利用SES和MES指標(biāo)度量了我國金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險，并對系統(tǒng)性風(fēng)險的驅(qū)動因素進(jìn)行了分析[11]。

未定權(quán)益分析法(CCA)可通過違約距離、違約概率、隱性擔(dān)保等一系列風(fēng)險測度指標(biāo)衡量金融風(fēng)險大小。范小云，等指出系統(tǒng)性違約距離與平均違約距離能夠較好地反映我國銀行系統(tǒng)性風(fēng)險的動態(tài)變化[12]；而吳恒煜，等認(rèn)為組合違約距離與平均違約距離之差更適合作為我國銀行業(yè)系統(tǒng)性風(fēng)險的測度指標(biāo)[13]。部分學(xué)者通過隱性擔(dān)保數(shù)據(jù)反映系統(tǒng)性風(fēng)險大小，許友傳，等結(jié)合我國特有的隱性保險和監(jiān)管救助特點，運用CCA的分析框架估計了政府對我國上市銀行的隱性救助概率和救助成本[14]；吳恒煜，等采用CCA方法測算我國商業(yè)銀行的政府隱性擔(dān)保，并指出在銀行違約概率越大時政府對其隱性的擔(dān)保則越高[13]。

在已有的研究成果中，CoVaR和MES方法僅僅運用了市場數(shù)據(jù)的單方面信息，而CCA方法在財務(wù)報表數(shù)據(jù)的基礎(chǔ)上引入市場數(shù)據(jù)，能夠考慮多維度的風(fēng)險信息且不失前瞻性。然而，當(dāng)前運用CCA方法的研究并未充分考慮危機(jī)時期銀行間違約相關(guān)性的變化，且基于存款保險賠付的角度考察商業(yè)銀行個體風(fēng)險，同時對商業(yè)銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)進(jìn)行動態(tài)度量的文章并不多見。

因此，本文首先綜合運用CCA-POT-Copula方法，在測度商業(yè)銀行潛在損失的基礎(chǔ)上進(jìn)一步考察商業(yè)銀行的違約相關(guān)性，然后借鑒CoVaR方法的思想測度單個銀行的系統(tǒng)性風(fēng)險溢出效應(yīng)并對其影響因素進(jìn)行實證分析。理論層面上，本文基于存款保險賠付的角度測度銀行業(yè)系統(tǒng)性風(fēng)險，這在一定程度上豐富和拓展了系統(tǒng)性金融風(fēng)險測度和傳遞理論的研究視閾；實踐層面上，我們分別通過商業(yè)銀行的潛在損失和△CoVaR*①測度其個體風(fēng)險和系統(tǒng)性風(fēng)險貢獻(xiàn)的動態(tài)變化，并在此基礎(chǔ)上探究商業(yè)銀行系統(tǒng)性風(fēng)險的驅(qū)動因素，能夠為監(jiān)管當(dāng)局制定逆周期的宏觀審慎監(jiān)管政策提供有益參考。

三、研究設(shè)計

(一)基于CCA方法的潛在損失測度

1. 違約距離

未定權(quán)益分析法(CCA)利用Black-Scholes期權(quán)定價模型計算銀行違約的可能性，一般假定銀行的資產(chǎn)價值服從以下幾何布朗運動：

dVt=μvVtdt+σvVtdWt

(1)

其中，μv和σv分別為銀行資產(chǎn)的收益率及其波動率，Wt服從標(biāo)準(zhǔn)布朗運動。根據(jù)伊藤引理，銀行的資產(chǎn)價值Vt服從以下對數(shù)正態(tài)分布：

(2)

這里，N(·)表示標(biāo)準(zhǔn)正態(tài)分布的累積分布函數(shù)，V0代表銀行資產(chǎn)的初始價值。至負(fù)債到期日T時，若銀行資產(chǎn)價值小于負(fù)債水平，則銀行發(fā)生違約。因此，我們可以得到銀行在t時刻預(yù)期的實際違約概率(Probability of Default，PD)為：

(3)

①本文借鑒傳統(tǒng)△CoVaR思想，采用商業(yè)銀行潛在損失數(shù)據(jù)而非市場收益率數(shù)據(jù)構(gòu)造△CoVaR*。

式(3)中dt為違約距離。銀行的股權(quán)價值Et可以看作以隱含資產(chǎn)價值Vt為標(biāo)的、以負(fù)債的賬面價值Bt為執(zhí)行價格、以負(fù)債的到期期限T-t為持有期的歐式看漲期權(quán)，根據(jù)BS期權(quán)定價模型，其理論價值可以表示為：

(4)

根據(jù)伊藤引理，隱含資產(chǎn)波動率σv與股權(quán)市值波動率σE之間存在以下關(guān)系：

(5)

銀行資產(chǎn)的期望收益率μv通常用無風(fēng)險利率r代替，負(fù)債的到期期限T-t按照慣例取值為1年(許友傳等[14]；吳恒煜等[13])，由以上公式可計算得到違約距離等風(fēng)險測度指標(biāo)。

2. 潛在損失

如果存款保險到期時銀行的資產(chǎn)價值大于負(fù)債的賬面價值，則保險公司支付的賠償費用為零；反之，保險公司將支付銀行負(fù)債與其資產(chǎn)價值的差額部分。根據(jù)Merton構(gòu)建的存款保險定價模型，銀行的風(fēng)險債務(wù)Dt可看作以銀行資產(chǎn)Vt為標(biāo)的、以負(fù)債的賬面價值Bt為執(zhí)行價格、以負(fù)債的到期期限T-t為持有期的看跌期權(quán)[15]。根據(jù)看跌期權(quán)定價公式，存款保險機(jī)構(gòu)到期的賠付為：

(6)

為了方便分析，本文將存款保險機(jī)構(gòu)的到期賠付取為負(fù)值，代表商業(yè)銀行的潛在損失(Potential Loss，PL)，即PLt=-Dt，整個銀行體系的潛在損失(TPL)為各商業(yè)銀行的潛在損失之和。銀行潛在損失序列的測算步驟如圖1所示。

圖1　CCA方法計算銀行潛在損失步驟

(二)潛在損失的聯(lián)合分布建模

1. 邊緣分布的擬合

Pickands的研究表明，超過某一閾值的觀測值漸近服從廣義Pareto分布(GPD)[16]。則單個銀行和整個銀行體系潛在損失序列的邊緣分布表示為：

2. 基于Copula的相依結(jié)構(gòu)

Sklar提出的Copula理論通過將聯(lián)合分布表示為各邊緣分布的函數(shù)，極大拓展了多維聯(lián)合分布的應(yīng)用范圍。其中，阿基米德Copula中的Gumbel Copula和Clayton Copula分別適合于右尾相關(guān)性較強(qiáng)和左尾相關(guān)性較強(qiáng)的相依結(jié)構(gòu)建模，能夠很好地捕捉隨機(jī)變量之間非線性、非對稱的相關(guān)關(guān)系，因此在金融風(fēng)險管理領(lǐng)域得到廣泛應(yīng)用。Copula函數(shù)的選擇一直是當(dāng)前風(fēng)險管理領(lǐng)域的難題，現(xiàn)有研究主要通過尾部相關(guān)系數(shù)、樣本平均超越值、邊際似然值等對Copula進(jìn)行選擇[18]。這里分別使用Gumbel Copula和Clayton Copula對潛在損失的左尾數(shù)據(jù)進(jìn)行擬合，選擇似然值較大的Copula構(gòu)建潛在損失的聯(lián)合分布。兩類Copula對應(yīng)的聯(lián)合分布函數(shù)分別為：

(8)

(9)

式(8)和式(9)中G(x)、H(y)分別指單個銀行和銀行體系潛在損失對應(yīng)的邊緣分布。

(三)系統(tǒng)性風(fēng)險貢獻(xiàn)的度量

(10)

(11)

(四)系統(tǒng)性風(fēng)險貢獻(xiàn)的影響因素研究

我國的銀行體系存在“太大而不能倒”和“太關(guān)聯(lián)而不能倒”的現(xiàn)象。因此，從微觀層面和宏觀層面研究我國銀行系統(tǒng)性風(fēng)險貢獻(xiàn)的影響因素，對維護(hù)國內(nèi)金融穩(wěn)定具有重要意義。本文以△CoVaR*作為被解釋變量，根據(jù)已有研究(范小云等[12]；白雪梅等[20])，選取商業(yè)銀行規(guī)模、杠桿率、不良貸款率、總資產(chǎn)收益率、業(yè)務(wù)復(fù)雜性以及與其他銀行的關(guān)聯(lián)程度等作為解釋變量，以經(jīng)濟(jì)結(jié)構(gòu)和經(jīng)濟(jì)增長等宏觀經(jīng)濟(jì)因素作為控制變量，建立面板數(shù)據(jù)回歸模型對銀行系統(tǒng)性風(fēng)險貢獻(xiàn)的影響因素進(jìn)行實證分析。具體回歸模型如下：

(12)

其中，Size為銀行資產(chǎn)規(guī)模的自然對數(shù)；Leverage表示銀行的杠桿率；NPLR為銀行的不良貸款率；ROA表示銀行的總資產(chǎn)收益率；LR為銀行的拆出資金與其自身資產(chǎn)規(guī)模的比例，代表銀行與其他銀行的關(guān)聯(lián)程度；OR為銀行其他業(yè)務(wù)收入占總營業(yè)收入的比例，表示銀行自身經(jīng)營的復(fù)雜程度；MGR為M2與GDP的比值，代表宏觀經(jīng)濟(jì)結(jié)構(gòu)；GDPG為GDP同比增長速度，表示宏觀經(jīng)濟(jì)增長；εit為殘差項。

四、實證結(jié)果分析

(一)樣本與數(shù)據(jù)

本文選取的樣本包括中國工商銀行、中國銀行、中國建設(shè)銀行和交通銀行4家國有大型商業(yè)銀行，招商銀行、平安銀行、浦發(fā)銀行、民生銀行、華夏銀行、興業(yè)銀行、中信銀行7家全國性股份制商業(yè)銀行，寧波銀行、南京銀行、北京銀行3家城市商業(yè)銀行。本文的研究區(qū)間選擇為2007年第四季度到2014年底。

文中各上市商業(yè)銀行財務(wù)數(shù)據(jù)和市場數(shù)據(jù)均來自wind資訊金融數(shù)據(jù)庫和CSMAR研究數(shù)據(jù)庫。無風(fēng)險利率為中國人民銀行公布的一年期定期存款基準(zhǔn)利率與其實際執(zhí)行天數(shù)的加權(quán)平均；為了得到商業(yè)銀行每日的潛在損失，本文采用三次樣條差值法將違約障礙的季度數(shù)據(jù)轉(zhuǎn)變?yōu)槿斩葦?shù)據(jù)；時變的股權(quán)波動率采用GARCH(1,1)建模獲得。

(二)商業(yè)銀行的潛在損失

1. 數(shù)據(jù)的統(tǒng)計特征

基于各商業(yè)銀行的財務(wù)報表和市場數(shù)據(jù)，本文利用CCA方法得到各銀行的潛在損失，表1報告了我國商業(yè)銀行潛在損失的描述性統(tǒng)計結(jié)果。①由表1可以看出，各商業(yè)銀行和銀行體系的偏度系數(shù)均小于0，表明潛在損失序列具有明顯的左偏特征，峰度系數(shù)均大于正態(tài)分布對應(yīng)的3，呈現(xiàn)“尖峰厚尾”的特征；JB檢驗的p值均為0，則在5%的顯著性水平下均拒絕原假設(shè)，表明各商業(yè)銀行及銀行體系潛在損失序列均顯著異于正態(tài)分布。

表1　潛在損失的統(tǒng)計描述

2. 潛在損失數(shù)據(jù)趨勢分析

圖2報告了研究區(qū)間內(nèi)各商業(yè)銀行潛在損失的變化趨勢。為方便比較，我們將研究樣本分為國有大型商業(yè)銀行(圖2-a)、全國性股份制商業(yè)銀行(圖2-c、2-d)和城市商業(yè)銀行(圖2-b)。從圖2可以發(fā)現(xiàn)，總體來看，國有大型商業(yè)銀行的潛在損失最高，全國性股份制商業(yè)銀行次之，城市商業(yè)銀行的個體潛在損失相對較小。

①潛在損失的單位為十億元人民幣，下同。

圖2　各商業(yè)銀行的潛在損失

注：為了方便分析，圖中報告的是潛在損失的絕對值，數(shù)值越大表明商業(yè)銀行的個體風(fēng)險越大。

此外，我國銀行體系的潛在損失具有明顯的波動性。2007-2008年期間，受金融危機(jī)沖擊，我國商業(yè)銀行的整體風(fēng)險較為突出；2010年歐債危機(jī)時期，由于國有大型商業(yè)銀行國際業(yè)務(wù)占比相對較高，個體潛在損失明顯上升，而全國性股份制商業(yè)銀行和城市商業(yè)銀行所受影響相對較??；2013年銀行“錢荒”時期，全國性股份制商業(yè)銀行和城市商業(yè)銀行的風(fēng)險明顯增加，而國有大型商業(yè)銀行風(fēng)險無明顯變化；2014年以來，隨著我國利率市場化的推進(jìn)以及人民幣國際化等金融改革進(jìn)程的加快，我國商業(yè)銀行蘊藏的風(fēng)險也在急劇攀升。

(三)邊緣分布和Copula函數(shù)的參數(shù)估計

本文以兩年作為時間窗口，通過滾動更新數(shù)據(jù)對商業(yè)銀行以及銀行體系的聯(lián)合分布進(jìn)行建模。表2報告了2013-2014年期間的參數(shù)估計結(jié)果，其中大多數(shù)銀行的形狀參數(shù)k大于零，表明潛在損失呈現(xiàn)出“厚尾、拖尾”的特征；而浦發(fā)銀行、興業(yè)銀行、中信銀行和平安銀行的形狀參數(shù)k小于零，說明潛在損失在極端值處具有“截尾”特征[21]。由于各商業(yè)銀行與銀行體系潛在損失序列具有非線性和非對稱性的相關(guān)關(guān)系，我們采用Copula函數(shù)對該相依結(jié)構(gòu)進(jìn)行擬合，并根據(jù)極大似然函數(shù)值確定合適的Copula類型，由表2中Copula函數(shù)的選擇及參數(shù)估計結(jié)果可以看出，不同商業(yè)銀行與銀行體系的相依結(jié)構(gòu)存在明顯差異。

(四)商業(yè)銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)

該部分基于單個銀行與銀行體系潛在損失的相依結(jié)構(gòu)對各銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)進(jìn)行度量。由于不同時期宏觀經(jīng)濟(jì)狀況和各商業(yè)銀行的經(jīng)營狀況會發(fā)生變化，我們采用滾動固定窗口的方法測度不同時間段內(nèi)各商業(yè)銀行的系統(tǒng)性風(fēng)險溢出效應(yīng)。圖3以5%分位點下的△CoVaR*為例，報告了我國各商業(yè)銀行系統(tǒng)性風(fēng)險貢獻(xiàn)的變化趨勢。

圖3　我國上市商業(yè)銀行的△CoVaR*_5%

注：(1)△CoVaR*的實際值為負(fù)，為方便分析圖中均取其絕對值，數(shù)值越大表明系統(tǒng)性風(fēng)險貢獻(xiàn)越大。

(2)圖中縱坐標(biāo)單位為十億元。

由圖3可以看出，各商業(yè)銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)呈現(xiàn)明顯的時變特征，其中在2008年金融危機(jī)時期，商業(yè)銀行的系統(tǒng)性風(fēng)險溢出效應(yīng)整體較高，2010年之后有所回落并維持在較低水平，而2014年以來隨著我國金融改革進(jìn)程加速，各商業(yè)銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)迅速上升。整體來看，全國性股份制商業(yè)銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)較大，而國有大型商業(yè)銀行雖然個體風(fēng)險較大，但其對銀行系統(tǒng)的風(fēng)險溢出效應(yīng)卻相對較小。

表2　參數(shù)估計結(jié)果

表3選取2007-2008年金融危機(jī)、2009-2010年歐債危機(jī)以及2013-2014年我國深化金融改革時期三個區(qū)間，報告了我國商業(yè)銀行系統(tǒng)性風(fēng)險貢獻(xiàn)的度量結(jié)果及其排序。

表3　我國商業(yè)銀行的△CoVaR_5%

由表3可以看出，2007-2008年金融危機(jī)時期我國商業(yè)銀行系統(tǒng)性風(fēng)險整體較高，其中招商銀行、南京銀行和華夏銀行等系統(tǒng)性風(fēng)險貢獻(xiàn)排在前列，而國有大型商業(yè)銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)相對較小。這一現(xiàn)象可能是由于中小型商業(yè)銀行在金融危機(jī)前受利益驅(qū)使迅速增加杠桿，因而在遭到?jīng)_擊時的風(fēng)險溢出效應(yīng)加大；而在此期間，國有大型商業(yè)銀行杠桿率增加程度相對較小，系統(tǒng)性風(fēng)險貢獻(xiàn)也相應(yīng)地較低。

2009-2010年歐債危機(jī)時期，各商業(yè)銀行系統(tǒng)性風(fēng)險貢獻(xiàn)相對較小，中信銀行和國有大型商業(yè)銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)排序靠前。這可能是由于歐債危機(jī)主要對我國銀行業(yè)的國際業(yè)務(wù)產(chǎn)生較大沖擊，而中信銀行的國際業(yè)務(wù)一直領(lǐng)跑行業(yè)，國有大型商業(yè)銀行的國際業(yè)務(wù)規(guī)模也相對較大，因此在這一階段的系統(tǒng)性風(fēng)險貢獻(xiàn)相對較高。

2013-2014年深化金融改革時期，我國商業(yè)銀行系統(tǒng)性風(fēng)險的溢出效應(yīng)整體較大。其中，興業(yè)銀行、中信銀行等全國性股份制商業(yè)銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)較高，國有大型商業(yè)銀行的風(fēng)險貢獻(xiàn)總體處于中間水平，城市商業(yè)銀行風(fēng)險貢獻(xiàn)相對較小。近年來，由于股份制商業(yè)銀行“影子銀行”業(yè)務(wù)發(fā)展迅速，并且當(dāng)前面臨的市場定位、風(fēng)險管理等問題較為突出，在深化金融改革過程中系統(tǒng)性風(fēng)險增加迅速。而城市商業(yè)銀行主要為地方經(jīng)濟(jì)以及地方居民提供金融服務(wù)，客戶關(guān)系網(wǎng)絡(luò)穩(wěn)定，因此該時期系統(tǒng)性風(fēng)險貢獻(xiàn)相對較小。

(五)系統(tǒng)性風(fēng)險貢獻(xiàn)的影響因素

本文采用14家上市商業(yè)銀行2007-2014年的年度財務(wù)數(shù)據(jù)對銀行系統(tǒng)性風(fēng)險貢獻(xiàn)的影響因素進(jìn)行實證分析，由于各時點的△CoVaR*值由歷史兩年數(shù)據(jù)計算得到，因此各解釋變量取對應(yīng)時間區(qū)間內(nèi)的平均值?；貧w結(jié)果如表4所示。

表4中，10%分位點下的△CoVaR*對應(yīng)的回歸結(jié)果顯示，Size的系數(shù)顯著為正，表明銀行自身的資產(chǎn)規(guī)模與其系統(tǒng)性風(fēng)險貢獻(xiàn)呈負(fù)相關(guān)關(guān)系，由于規(guī)模越大的商業(yè)銀行經(jīng)營的穩(wěn)定性越好，在一定程度上其對銀行業(yè)的系統(tǒng)性風(fēng)險貢獻(xiàn)就越小，這一結(jié)論與白雪梅和石大龍[20]的研究結(jié)果一致；Leverage系數(shù)顯著為負(fù)，表明在發(fā)生危機(jī)時杠桿率越高的銀行風(fēng)險傳染和風(fēng)險溢出效應(yīng)越大；ROA的系數(shù)顯著為負(fù)，由于收益較高的銀行往往從事具有更高風(fēng)險的業(yè)務(wù)，因此在極端情形下的系統(tǒng)性風(fēng)險貢獻(xiàn)越高；OR的系數(shù)顯著為負(fù)，說明銀行的經(jīng)營復(fù)雜程度越高，其經(jīng)營風(fēng)險越難掌控，相應(yīng)的風(fēng)險貢獻(xiàn)就會越大。當(dāng)以5%分位點下的△CoVaR*為被解釋變量時，所得結(jié)論并無實質(zhì)性差異。

表4　銀行系統(tǒng)性風(fēng)險貢獻(xiàn)影響因素的實證結(jié)果

除了銀行自身特征之外，宏觀經(jīng)濟(jì)狀況也對商業(yè)銀行的系統(tǒng)性風(fēng)險溢出效應(yīng)具有顯著影響。表4的實證結(jié)果表明，M2/GDP的值越大，即宏觀經(jīng)濟(jì)杠桿率越高，商業(yè)銀行的系統(tǒng)性風(fēng)險溢出效應(yīng)越大；此外，以GDP增速表示的實體經(jīng)濟(jì)波動同樣會促進(jìn)銀行業(yè)系統(tǒng)性風(fēng)險的擴(kuò)散。

五、結(jié)論與啟示

本文基于CCA方法測度了我國商業(yè)銀行的個體風(fēng)險，采用POT-Copula方法構(gòu)建各商業(yè)銀行與銀行體系潛在損失的聯(lián)合分布；在此基礎(chǔ)上，我們對商業(yè)銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)及其影響因素進(jìn)行實證分析。研究結(jié)果表明：(1)2007-2008年金融危機(jī)、2010年歐債危機(jī)、2013年銀行“錢荒”以及2014年以來深化金融改革時期，我國商業(yè)銀行的個體風(fēng)險較大，潛在損失較高。(2)總體來看，盡管國有大型商業(yè)銀行個體潛在損失較高，但其系統(tǒng)性風(fēng)險溢出效應(yīng)卻相對靠后，而全國性股份制商業(yè)銀行具有較高的系統(tǒng)性風(fēng)險貢獻(xiàn)。(3)各商業(yè)銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)呈現(xiàn)明顯的時變特征，金融危機(jī)時期和當(dāng)前深化金融改革階段全國性股份制商業(yè)銀行的系統(tǒng)性風(fēng)險貢獻(xiàn)較大，而國有大型商業(yè)銀行在歐債危機(jī)時期系統(tǒng)性風(fēng)險貢獻(xiàn)排序明顯上升。(4)杠桿率、總資產(chǎn)收益率和業(yè)務(wù)復(fù)雜程度越高的商業(yè)銀行系統(tǒng)性風(fēng)險貢獻(xiàn)越大，宏觀經(jīng)濟(jì)的杠桿率和波動性提高也會促進(jìn)銀行體系系統(tǒng)性風(fēng)險的擴(kuò)散。

本文結(jié)論對當(dāng)前我國金融監(jiān)管具有以下啟示：第一，由于規(guī)模和業(yè)務(wù)特征存在明顯差異，各商業(yè)銀行在宏觀經(jīng)濟(jì)沖擊下的個體風(fēng)險表現(xiàn)不同。因此，在深化金融改革時期政府部門應(yīng)當(dāng)針對不同類型的商業(yè)銀行制定差異化的監(jiān)管政策。第二，部分個體風(fēng)險低的商業(yè)銀行可能具有較高的系統(tǒng)性風(fēng)險貢獻(xiàn)，監(jiān)管部門應(yīng)當(dāng)同時重視個體潛在損失和極端情形下的系統(tǒng)性風(fēng)險溢出效應(yīng)，將微觀審慎和宏觀審慎監(jiān)管相結(jié)合。第三，各商業(yè)銀行在不同研究區(qū)間內(nèi)的系統(tǒng)性風(fēng)險貢獻(xiàn)存在差異，監(jiān)管當(dāng)局應(yīng)當(dāng)根據(jù)宏觀經(jīng)濟(jì)環(huán)境變化對監(jiān)管政策進(jìn)行及時調(diào)整，提高金融監(jiān)管的有效性。第四，一些規(guī)模相對較小、但杠桿率較高和業(yè)務(wù)較為復(fù)雜的商業(yè)銀行具有較高的系統(tǒng)性風(fēng)險貢獻(xiàn)，政府部門應(yīng)當(dāng)結(jié)合銀行規(guī)模、經(jīng)營特點以及宏觀經(jīng)濟(jì)狀況等多重因素，完善相應(yīng)的信息披露和資本附加制度。

參考文獻(xiàn)：

[1] 劉春航,苗雨峰,朱元倩. 銀行業(yè)同質(zhì)性的度量及其對金融穩(wěn)定的影響[J].金融監(jiān)管研究,2012(2):18-31.

[2] 賈彥東. 金融機(jī)構(gòu)的系統(tǒng)重要性分析——金融網(wǎng)絡(luò)中的系統(tǒng)風(fēng)險衡量與成本分擔(dān)[J].金融研究,2011(10):17-33.

[3] 隋聰,遲國泰,王宗堯. 網(wǎng)絡(luò)結(jié)構(gòu)與銀行系統(tǒng)性風(fēng)險[J].管理科學(xué)學(xué)報,2014(4):57-70.

[4] Hakkio C S, Keeton W R. Financial stress: what is it, how can it be measured, and why does it matter? [J]. Federal Reserve Bank of Kansas Economic Review, 2009:5-50.

[5] 劉春航,朱元倩. 銀行業(yè)系統(tǒng)性風(fēng)險度量框架的研究[J].金融研究,2011(12):85-99.

[6] 徐超. 系統(tǒng)重要性金融機(jī)構(gòu)識別方法綜述[J].國際金融研究,2011(11):57-64.

[7] 高國華,潘英麗. 銀行系統(tǒng)性風(fēng)險度量——基于動態(tài)CoVaR方法的分析[J].上海交通大學(xué)學(xué)報,2011(12):1753-1759.

[8] 汪冬華,黃康,龔樸. 我國商業(yè)銀行整體風(fēng)險度量及其敏感性分析——基于我國商業(yè)銀行財務(wù)數(shù)據(jù)和金融市場公開數(shù)據(jù)[J]. 系統(tǒng)工程理論與實踐,2013(2):284-295.

[9] 陳守東,王妍. 我國金融機(jī)構(gòu)的系統(tǒng)性金融風(fēng)險評估——基于極端分位數(shù)回歸技術(shù)的風(fēng)險度量[J].中國管理科學(xué),2014(7):10-17.

[10] 范小云,王道平,方意. 我國金融機(jī)構(gòu)的系統(tǒng)性風(fēng)險貢獻(xiàn)測度與監(jiān)管——基于邊際風(fēng)險貢獻(xiàn)與杠桿率的研究[J]. 南開經(jīng)濟(jì)研究,2011(4):3-20.

[11] 方意,趙勝民,王道平. 我國金融機(jī)構(gòu)系統(tǒng)性風(fēng)險測度——基于DCC-GARCH模型的研究[J].金融監(jiān)管研究,2012(11):26-42.

[12] 范小云,方意,王道平. 我國銀行系統(tǒng)性風(fēng)險的動態(tài)特征及系統(tǒng)重要性銀行甄別：基于CCA與DAG相結(jié)合的分析[J].金融研究,2013(11):82-95.

[13] 吳恒煜,胡錫亮,呂江林. 我國銀行業(yè)系統(tǒng)性風(fēng)險研究：基于拓展的未定權(quán)益分析法[J].國際金融研究,2013(7):85-96.

[14] 許友傳,劉慶富,陳可楨. 中國政府對上市銀行的隱性救助概率和救助成本[J].金融研究,2012(10):60-74.

[15] Merton R. An analytic derivation of the cost of loan guarantees and deposit insurance: an application of modern option pricing theory [J]. Journal of Banking and Finance, 1977, 1(1):3-11.

[16] Pickands J. Statistical inference using extreme order statistics [J]. The Annals of Statistics, 1975, 3(1):119-131.

[17] Dumouchel W H. Estimating the stable index α in order to measure tail thickness: a critique [J]. Annals of Statistics, 1983, 11(4):1019-1031.

[18] Rocco M. Extreme value theory in finance: a survey [J]. Journal of Economic Surveys, 2014, 28(1):82-108.

[19] Adrian T, Brunnermeier M K. CoVaR [R]. FRB of New York Staff Reports, 2008:1-51.

[20] 白雪梅,石大龍. 中國金融體系的系統(tǒng)性風(fēng)險度量[J].國際金融研究,2014(6):75-85.

[21] 桂文林,韓兆洲,潘慶年. POT模型中GPD“厚尾”性及金融風(fēng)險測度[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,2010(1):107-118.

責(zé)任編輯、校對：郭燕慶

The Systemic Risk Measurement and Influencing Factors of Chinese Commercial Banks—An Analysis Based on CCA-POT-Copula Method

WANG Qing1, BAI Xue1, NIU Feng2

(1. Center for Chinese Financial Research, Southwest University of Finance and Economics, Chengdu 611130, China; 2. School of Finance, Southwest University of Finance and Economics, Chengdu 611130, China)

Abstract:This paper measures the individual risks of Chinese commercial banks based on CCA method, investigates the interbank default relativity change in crisis period and empirically analyzes the systematic risk contribution of commercial banks and its influencing factors. The results show that: the individual risks of Chinese commercial banks rise sharply when the financial reform is being deepened currently. In comparison with that of large stated owned commercial banks and urban commercial banks, the spillover effect of the individual risks of Chinese commercial banks is generally relatively high. The systematic risk contribution of each commercial bank has clear time-change features. The commercial banks that have higher leverage, stronger profitability and more complex degree of businesses have higher systematic risk contribution. This study provides beneficial reference for the regulatory authority to make countercyclical macro-prudential regulation policy according to the systematic risks of commercial banks.

Key words:Potential Loss; Systematic Risk; CCA-POT-Copula Method

文獻(xiàn)標(biāo)識碼：A

文章編號：1002-2848-2016(02)-0001-09

作者簡介：王擎(1973-)，重慶市人，西南財經(jīng)大學(xué)中國金融研究中心、金融安全協(xié)同創(chuàng)新中心教授，博士生導(dǎo)師，研究方向：宏觀金融、公司金融、資本市場；白雪(1989-)，女，河南省周口市人，西南財經(jīng)大學(xué)中國金融研究中心博士研究生，研究方向：宏觀金融風(fēng)險管理、資本市場；牛鋒(1990-)，安徽省阜陽市人，西南財經(jīng)大學(xué)金融學(xué)院博士研究生，研究方向：金融風(fēng)險管理、實證資產(chǎn)定價。

基金項目：國家自然科學(xué)基金項目“銀行資本約束下我國系統(tǒng)性金融風(fēng)險傳遞研究”(71473200)；教育部人文社科重點研究基地重大項目“基于金融穩(wěn)定的貨幣政策與宏觀審慎監(jiān)管協(xié)調(diào)配合研究”(15JJD790027)；2015年中央高?；究蒲袠I(yè)務(wù)費專項資金項目“企業(yè)財務(wù)杠桿與銀行業(yè)系統(tǒng)性風(fēng)險”(JBK1507028)和“基于EVT-Copula的我國金融機(jī)構(gòu)系統(tǒng)性風(fēng)險研究”(JBK1507031)。

收稿日期：2015-11-17